镜头畸变校正

本文最后更新于：2024年1月14日晚上

之前介绍了镜头畸变，本文记录校正畸变的模型和方法。

背景

对于常见的镜头径向畸变和切向畸变，在硬件已经无法继续优化时，需要后处理进行校正

模型

一些针孔摄像机会对图像产生严重的畸变，主要有两种畸变: 径向畸变和切向畸变。

径向畸变

径向畸变导致直线看起来弯曲。点距图像中心越远，径向畸变越大。例如，下图显示了一个棋盘的两个边缘用红线标记的图像。但是，你可以看到棋盘的边界不是一条直线，与红线不匹配。所有预期的直线都凸出。

径向畸变可以表示为以下模型

$$ \begin{array}{c} x_{distorted} = x( 1 + k_1 r^2 + k_2 r^4 + k_3 r^6) \\ y_{distorted} = y( 1 + k_1 r^2 + k_2 r^4 + k_3 r^6) \end{array} $$

切向畸变

类似地，切向畸变发生是因为摄像透镜没有与成像平面完全平行。因此，图像中的某些区域看起来可能比预期的要近。切向扭曲的数量可表示如下:

$$ \begin{array}{c} x_{distorted} = x + [ 2p_1xy + p_2(r^2+2x^2)] \\ y_{distorted} = y + [ p_1(r^2+ 2y^2)+ 2p_2xy] \end{array} $$

叠加畸变

利用上面两组式子就可对畸变进行较好的修正。同时对径向、切向畸变消除就是将两组式子合并。

自变量为理想坐标，等式左边的结果为畸变坐标，反过来该公式不成立。

$$ \begin{aligned} x_{\text {distorted }} & =x\left(1+k_{1} r^{2}+k_{2} r^{4}+k_{3} r^{6}\right)+2 p_{1} x y+p_{2}\left(r^{2}+2 x^{2}\right) \\ y_{\text {distorted }} & =y\left(1+k_{1} r^{2}+k_{2} r^{4}+k_{3} r^{6}\right)+p_{1}\left(r^{2}+2 y^{2}\right)+2 p_{2} x y\end{aligned} $$

畸变系数

简而言之，我们需要找到五个参数，即畸变系数：

$$
Distortion ; coefficients=(k_1 \hspace{10pt} k_2 \hspace{10pt} p_1 \hspace{10pt} p_2 \hspace{10pt} k_3)
$$

相机参数

除了畸变模型参数之外，还需要一些其他的信息，比如相机的内部参数和外部参数。

内参

摄像机的固有参数是特定的。它们包括像焦距 $(f_x，f_y)$和光学中心 $(c_x，c_y)$ 这样的信息。所述焦距和光学中心可用于创建摄像机矩阵，该矩阵可用于消除由于特定摄像机的镜头而产生的畸变。相机矩阵对于特定的相机来说是独一无二的，所以一旦计算出来，就可以在同一个相机拍摄的其他图像上重复使用。它表示为一个 $3 \times 3$ 的矩阵:

$$ camera \; matrix = \left [ \begin{matrix} f_x & 0 & c_x \\ 0 & f_y & c_y \\ 0 & 0 & 1 \end{matrix} \right ] $$

外参

外部参数对应于将 3D 点的坐标转换为坐标系的旋转和平移向量。
为了找到这些参数，我们必须提供一些定义良好的示例图像(例如棋盘)。如果已经知道相对位置的特定点(例如棋盘上的方角)，并且知道这些点在真实空间中的坐标，也知道图像中的坐标，在这种情况下就可以求出畸变系数。

为了获得更好的结果，至少需要10组对应点的数据。

Python 实现

测试图像：

可以直接下载图像，命名为 undistort.png

示例代码（需要安装 mtutils）
1
pip install mtutils
核心步骤使用 OpenCV 库实现

import numpy as np
import cv2 as cv
import mtutils as mt

# termination criteria
criteria = (cv.TERM_CRITERIA_EPS + cv.TERM_CRITERIA_MAX_ITER, 30, 0.001)

# prepare object points, like (0,0,0), (1,0,0), (2,0,0) ....,(6,6,0)
W_num = 7
H_num = 7

objp = np.zeros((W_num*H_num,3), np.float32)
objp[:,:2] = np.mgrid[0:W_num,0:H_num].T.reshape(-1,2)

# Arrays to store object points and image points from all the images.
objpoints = [] # 3d point in real world space
imgpoints = [] # 2d points in image plane.

img = mt.cv_rgb_imread('undistort.png', 1)

another = img.copy()
# Find the chess board corners
ret, corners = cv.findChessboardCorners(img, (W_num,H_num), None)
# If found, add object points, image points (after refining them)
if ret == True:
    objpoints.append(objp)
    corners2 = cv.cornerSubPix(img,corners, (11,11), (-1,-1), criteria)
    imgpoints.append(corners2)
    # Draw and display the corners
    cv.drawChessboardCorners(img, (W_num, H_num), corners2, ret)
    mt.PIS(img)

ret, mtx, dist, rvecs, tvecs = cv.calibrateCamera(objpoints, imgpoints, img.shape[::-1], None, None)
h,  w = img.shape[:2]

newcameramtx, roi = cv.getOptimalNewCameraMatrix(mtx, dist, (w,h), 1, (w,h))
dst = cv.undistort(another, mtx, dist, None, newcameramtx)
# 也可以进行点映射
# dst=cv.undistortPoints(src, cameraMatrix, distCoeffs[, dst[, R[, P]]])

# build map matrix
map1, map2 = cv.initUndistortRectifyMap(mtx, dist, None, newcameramtx, img.shape[::-1], cv.CV_32FC1)
frame2 = cv.remap(another2, map1, map2, cv.INTER_LINEAR)

mt.PIS([another, 'origin'], [img, 'marked'], [dst, 'undistort'], row_num=1)
pass

配置好图像，运行程序可以看到标记的图和校正结果

使用映射矩阵直接映射得到矫正图像结果，速度可以快十几倍

C++ 实现

#include<stdio.h>
#include<opencv2/opencv.hpp>
#include<vector>

using namespace std;
using namespace cv;


int main()
{

	Mat srcImage = imread("undistort.png");
	Mat another, another2;
	srcImage.copyTo(another);
	srcImage.copyTo(another2);

	int W_num(7), H_num(7);

	int width = srcImage.cols;
	int height = srcImage.rows;

	Mat corners;
	findChessboardCorners(srcImage, Size(W_num, H_num), corners);
	int corner_num = corners.rows;

	vector<vector<Point2f>> imagePoints;
	vector<Point2f> image_points;
	for (int index(0); index < corner_num; index++) {
		float x = corners.at<float>(index, 0);
		float y = corners.at<float>(index, 1);

		image_points.push_back(Point2f(x, y));
	}
	
	cv::TermCriteria criteria = cv::TermCriteria(
		cv::TermCriteria::MAX_ITER + cv::TermCriteria::EPS,
		30,
		0.001);
	Mat image_gray;
	cv::cvtColor(srcImage, image_gray, cv::COLOR_BGR2GRAY);
	cornerSubPix(image_gray, image_points, Size(30, 30), Size(-1, -1), criteria);

	imagePoints.push_back(image_points);

	vector<vector<Point3f>> objectPoints;
	vector<Point3f> objpoints;
	for (int index1(0); index1 < W_num; index1++)
	{
		for (int index2(0); index2 < H_num; index2++)
		{
			int index = index1 * H_num + index2;
			objpoints.push_back(Point3f(index2, index1, 0));
		}
	}
	objectPoints.push_back(objpoints);

	Size imageSize;
	imageSize = srcImage.size();
	Mat cameraMatrix, distCoeffs;
	vector<Mat> rvecs, tvecs;

	calibrateCamera(objectPoints, imagePoints, imageSize, cameraMatrix, distCoeffs, rvecs, tvecs);
	
	Mat newcameramatrix = getOptimalNewCameraMatrix(cameraMatrix, distCoeffs, imageSize, 1, imageSize);

	Mat dst;
	undistort(another, dst, cameraMatrix, distCoeffs, newcameramatrix);

	Mat map1, map2, R;
	initUndistortRectifyMap(cameraMatrix, distCoeffs, R, newcameramatrix, imageSize, CV_32FC1, map1, map2);

	Mat frame2;
	remap(another2, frame2, map1, map2, INTER_LINEAR);

	return 0;
}